Εφαρμογή Προηγμένων Αλγορίθμων Επεξεργασίας Εικόνας για Εξαγωγή Αρχικών Αριθμητικών Δεδομένων απο Καμπύλες Επιβίωσης και Χρήση τους σε Μετα-ανάλυση

Transcript

1 ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΜΕ ΕΦΑΡΜΟΓΕΣ ΣΤΗ ΒΙΟΙΑΤΡΙΚΗ Εφαρμογή Προηγμένων Αλγορίθμων Επεξεργασίας Εικόνας για Εξαγωγή Αρχικών Αριθμητικών Δεδομένων απο Καμπύλες Επιβίωσης και Χρήση τους σε Μετα-ανάλυση Σπύρος Ηλίας ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Υπεύθυνοι Δρ.Π.Μπάγκος Δρ.Κ.Δελήμπασης Επίκουροι Καθηγητές Λαμία,

2 Ευχαριστίες Η συγκεκριμένη εργασίας έλαβε χώρα στη Λαμία στο Πανεπιστήμιο Θεσσαλίας του τμήματος Πληροφορικής με Εφαρμογές στην Βιοϊατρική από τον Φεβρουάριο του 2010 μέχρι και το Φεβρουάριο του Η παρούσα εργασία υλοποιήθηκε με την βοήθεια του εισηγητή του θέματος κ.μπάγκου Παντελή σε συνεργασία με τον κ.δελήμπαση Κωνσταντίνο επίκουρους καθηγητές του τμήματος Πληροφορικής με Εφαρμογές στην Βιοϊατρική, τους οποίους ευχαριστώ για την βοήθεια τους. Θα ήθελα επίσης να ευχαριστήσω τους δικούς μου ανθρώπους για την υποστήριξη και την υπομονή τους. 2

3 Περιεχομένα 1 Εισαγωγή Εισαγωγή στην Μετα-ανάλυση Σχεδιασμός Μετα-ανάλυσης Πλεονεκτήματα μειονεκτήματα Επιστημονικά πεδία εφαρμογής της μετα-ανάλυσης Τρόποι Πραγματοποίησης μετα-ανάλυσης και Στατιστικά Μεγέθη Μέγεθος επίδρασης (effect size) Μέγεθος επίδρασης Hazard Ratio Ερμηνεία αποτελεσμάτων γραφήματος μετα-ανάλυσης Μεθοδολογία Σύγκριση fixed effect model και random effect model Κλασικές Μέθοδοι μετα-ανάλυσης Εναλλακτικές μέθοδοι μετα-ανάλυσης Μεθοδολογία μετα-ανάλυσης από δημοσιευμένες καμπύλες Kaplan Meier Καμπύλη επιβίωσης KAPLAN MEIER Μέθοδος μετα-ανάλυσης από δημοσιευμένες καμπύλες Προτεινόμενη μεθοδολογία και εξαγωγή δεδομένων από καμπύλες Kaplan Meier για την πραγματοποίηση μετα-ανάλυσης Εισαγωγή εικόνας Προεπεξεργασία του γραφήματος Εντοπισμός καμπύλης Έλεγχος εντοπισμού καμπύλης Έλεγχος πλήθους καμπυλών Καθορισμός κλίμακας αξόνων Διαδικασία Μετα-ανάλυσης Υλικά, υπολογιστική υλοποίηση Διαθέσιμα δεδομένα Περιβάλλον ανάπτυξης Matlab Παρουσίαση της εφαρμογής User interface Αποτελέσματα Εισαγωγή Συνθετικές Καμπύλες Αποτελέσματα από πραγματικές καμπύλες Πραγματικό παράδειγμα Υπολογισμού του Log Hazard Ratio και της διακύμανσης από δημοσιευμένες καμπύλες Παρουσίαση μελετών για καρκίνο στους πνεύμονες και μετα-ανάλυση Μετα-ανάλυση Συμπεράσματα Βιβλιογραφία

4 Περίληψη Σε μελέτες που πραγματοποιούνται για την εύρεση νέων φαρμάκων ή θεραπειών διαφόρων νόσων και παθήσεων προκύπτουν σημαντικά αποτελέσματα. Τα αποτελέσματα αυτά από τις μεμονωμένες μελέτες επιβίωσης συνδυάζονται με στατιστικές μεθόδους ανάλυσης έτσι ώστε οι μελετητές να καταλήξουν σε ασφαλή συμπεράσματα όσον αφορά το αντικείμενο έρευνας. Η διαδικασία αυτή ονομάζεται μετα-ανάλυση. Οι μελέτες που χρησιμοποιούνται για την πραγματοποίηση μιας μετα-ανάλυσης ασχολούνται με το ίδιο αντικείμενο. Τα δεδομένα των μελετών που συμπεριλαμβάνονται σε μια μετα-ανάλυση προέρχονται κυρίως από δημοσιευμένες μελέτες καθώς και από άλλες πηγές. Υπάρχουν πολλές μέθοδοι μετα-ανάλυσης οι οποίες για να εφαρμοστούν χρειάζονται τα ατομικά δεδομένα των συμμετεχόντων (individual patient data) από τις μεμονωμένες μελέτες. Συνήθως όμως δημοσιεύονται βασικά αποτελέσματα αυτών, όπως ένας εκτιμητής με τα διαστήματα εμπιστοσύνης του, ή μια καμπύλη επιβίωσης Kaplan-Meier και οι συμμετέχοντες της μελέτης. Οι κλασικές μέθοδοι εφαρμογής δεν είναι ικανές να χρησιμοποιηθούν για μετα-ανάλυση και έτσι προέκυψε η ανάγκη για την ανάπτυξη μιας μεθόδου που θα εκμεταλλεύεται τις πληροφορίες που δίνονται από τις καμπύλες επιβίωσης K-M. Στην συγκεκριμένη εργασία παρουσιάζεται η ανάπτυξη μιας εφαρμογής που χρησιμοποιεί τα δεδομένα από τις καμπύλες K-M και εξάγει τις απαραίτητες πληροφορίες για την πραγματοποίηση μιας μετα-ανάλυσης. Για κάθε μία από τις επιμέρους μελέτες που θα συμπεριληφθούν στην μετα-ανάλυση η παρούσα εφαρμογή εκτελεί μια σειρά βημάτων μέχρι να προκύψει το τελικό αποτέλεσμα από την ολοκλήρωση της διαδικασίας. Τα βήματα αυτά είναι: 1. Εισαγωγή της εικόνας που περιέχει την καμπύλη επιβίωσης K-M και βασικές πληροφορίες της μελέτης. 2. Επεξεργασία της εικόνας για τον εντοπισμό των καμπυλών και εύρεση αριθμητικών στοιχείων της καμπύλης για την κάθε μελέτη. 3. Υπολογισμός στατιστικών μεγεθών για την κάθε καμπύλη και συνδυασμός αυτών για το αποτέλεσμα της μετα-ανάλυσης. Η εφαρμογή αναπτύχθηκε σε περιβάλλον Matlab με την χρησιμοποίηση μιας σειράς αλγορίθμων και συναρτήσεων. Ο έλεγχος της ορθής λειτουργίας της εφαρμογής πραγματοποιήθηκε μέσα από αριθμητικές συγκρίσεις των αποτελεσμάτων της εφαρμογής με συγκεκριμένες καμπύλες K-M των οποίων τα δεδομένα ήταν ήδη γνωστά. Συγκεκριμένα τον υπολογισμό της διαφοράς μεταξύ των τιμών που προέκυψαν από την εφαρμογή και των πραγματικών τιμών των καμπυλών και την γραφική αναπαράσταση αυτών. Επίσης παρατίθενται και στοιχεία από την σύγκριση με εμπορικά διαθέσιμο λογισμικό αντίστοιχης λειτουργίας που δείχνει ότι η παρούσα υλοποίηση είναι πιο ολοκληρωμένη και απαιτεί λιγότερη αλληλεπίδραση με τον χρήστη. Τέλος η εφαρμογή χρησιμοποιείται για την πραγματοποίηση μιας μετα-ανάλυση σε 5 πραγματικές μελέτες οι οποίες προέρχονται από δημοσιεύσεις. Τα αποτελέσματα των μεμονωμένων μελετών καθώς και της συνολικής μετα-ανάλυσης που προέκυψαν από την χρήση της εφαρμογής συγκρίνονται με τα πραγματικά αποτελέσματα από τις δημοσιευμένες καμπύλες. Το τελικό αποτέλεσμα που προκύπτει από την λειτουργία της εφαρμογής συμπίπτει με αυτό της πραγματικής μελέτης. Λέξεις-Κλειδιά μετα-ανάλυση, καμπύλες επιβίωσης Kaplan Meier, επεξεργασία εικόνας, μελέτες επιβίωσης 4

5 Abstract In this work we report the development of a computational tool, which estimates the numerical survival probabilities from bitmap K-M curves and performs meta-analysis of an arbitrary number of studies, using these obtained values. The tool uses image processing techniques and requires minimal user interaction. The proposed tool has been assessed quantitatively using the data from a published meta-analysis of five survival studies. Meta-analysis of survival (time-to-event) data, from published studies is difficult, since there are different estimates that can be used and in many cases one cannot perform the transformation without having access to individual data. However, the majority of the published studies report a survival probability plot (K- M curve) that includes information for the survival probabilities as well as the censoring events. This work reports the development of a tool that performs meta-analysis using the bitmap of the individual K-M plots. The proposed tool uses the bitmap of the K-M plots of any number of individual survival studies, as well as the total number of participants and minimum and maximum follow up for each study. A minimum user input is utilized to automatically track each survival curve and obtain its numeric values concerning time and survival probability. Dijkstra s algorithm was used for curve tracking and affine transformation was used to obtain the time and probability from the position of each detected pixel of the curve. The statistical quantities (the log-hazard ratio and its variance) are subsequently computed for each survival curve of each study. Finally, the log-hazard ratios are combined to calculate the pooled log hazard ratio. The proposed tool, developed using Matlab, is able to handle any number of survival studies, with intersecting K-M curves, with minimum user interaction: at least 2 point input for each curve in each K-M plot and at least 3 point input on the figure axes to define the scales of each axis. First, results are presented concerning only the accuracy of obtaining the numerical values of the survival curves from the bitmaps of the K-M graphs. For this reason a number of synthetic K-M graphs were generated with known survival probability at different times. The proposed tool was used to extract the numeric values, which were compared to the ground truth. The same comparison took place using another, commercial WWW-based product. Results show that both methods work well and achieve median probability error below 1%. It has to be mentioned however that our approach operates with as many as 2 point inputs, whereas the approach in requires as many as 30 point inputs. Finally the proposed tool was used to repeat the meta-analysis of 5 studies investigating the benefit of postoperative cisplatin-based chemotherapy in patients with non small-cell lung cancer. The pooled estimate of the log-hazard ratio and its 95% confidence interval that was extracted from the K-M curves was compared against the results reported in the published metaanalysis and it was found nearly identical (up to the third decimal place). A computational tool has been reported that can perform meta-analysis of individual studies, using the bitmaps of K-M graphs. Initial results show the accuracy of the proposed tool. Keywords meta-analysis, survival curves Kaplan Meier, image processing, survival studies 5

6 1 Εισαγωγή Εισαγωγή στην Μετα-ανάλυση Σημαντικές μελέτες επιβίωσης πραγματοποιούνται με σκοπό την ανακάλυψη νέων μεθόδων θεραπείας. Σε πολλές περιπτώσεις οι μεμονωμένες μελέτες δεν είναι ικανές να έχουν στατιστικά σημαντικό αποτέλεσμα ανεξάρτητα από το μέγεθος του δείγματος. Για το λόγο αυτό πραγματοποιούνται αρκετές μελέτες με το ίδιο αντικείμενο έρευνας. Οι μελέτες αυτές ξεχωριστά περιέχουν κάποια μικρή πληροφορία αλλά όλες μαζί μπορούν να δώσουν ένα σημαντικό αποτέλεσμα. Έτσι προέκυψε η ανάγκη να χρησιμοποιηθούν τυπικές στατιστικές μέθοδοι ελέγχου της ετερογένειας μέσω της σύνθεσης των μεμονωμένων αποτελεσμάτων με την διαδικασία της μετα-ανάλυσης [1]. Ο όρος μετα-ανάλυση [2] αναφέρεται στη στατιστική σύνθεση των αποτελεσμάτων από μια σειρά διαφορετικών πρωτογενών μελετών που ασχολούνται με το ίδιο αντικείμενο [3] Πρόκειται για μια σχολαστική μελέτη που δεν εφαρμόζεται από μια μόνο μέθοδο αλλά ποικίλει ανάλογα με τα δεδομένα των μεμονωμένων μελετών. Στην ιατρική βιβλιογραφία, μετα-ανάλυση εφαρμόστηκε αρχικά στον τομέα των τυχαιοποιημένων κλινικών δοκιμών [4] αλλά σήμερα θεωρείται ένα πολύτιμο εργαλείο για τον συνδυασμό των αποτελεσμάτων από διαφορετικές μελέτες [5]. Με την πάροδο του χρόνου έχει εξελιχθεί και χρησιμοποιείται πλέον όχι μόνο στο χώρο της υγείας αλλά και σε άλλους τομείς. Οι στατιστικές μέθοδοι που χρησιμοποιούνται σε μια μετα-ανάλυση μπορεί να εφαρμοστούν σε κάθε σύνολο δεδομένων, η σύνθεση θα έχει νόημα μόνο αν οι μελέτες έχουν συλλεχθεί συστηματικά. Η μέθοδος της μετα-ανάλυσης θεωρείται στατιστικά σημαντική καθώς συνδυάζει διαφορετικές μελέτες [6] που έχουν σχέση μεταξύ τους (ασχολούνται με το ίδιο αντικείμενο) αλλά είναι ταυτόχρονα και ανεξάρτητες. Οι μελέτες επιλέγονται με κατάλληλα µε κριτήρια τα οποία καθορίζονται στο πρωτόκολλο της μετα-ανάλυσης. Υπάρχουν διαφορετικές μέθοδοι πραγματοποίησης μιας μετα-ανάλυσης πάνω σε διάφορα σύνολα δεδομένων. Οι μέθοδοι μετα-ανάλυσης άρχισαν να αναπτύσσονται πριν από την δεκαετία του 90 και μέχρι σήμερα εξελίσσονται και βελτιώνονται. Η ιστορία ξεκινάει με την πραγματοποίηση των πρώτων προσπαθειών συνδυασμού και ομαδοποίησης αποτελεσμάτων μέσω αφηγηματικών ανασκοπήσεων για την εξαγωγή συμπερασμάτων. Οι αφηγηματικές ανασκοπήσεις [7] είναι μελέτες που γίνονται από ερευνητές χωρίς να υπάρχει σαφή διάκριση και κριτήρια επιλογής των μελετών που θα συμπεριληφθούν στην ανασκόπηση, ανομοιογένεια στον τρόπο λήψης πρωτογενών δεδομένων και άλλα σφάλματα που οδηγούν σε λανθασμένα συμπεράσματα. Με τη χρήση αυτής της τεχνικής υπάρχουν για παράδειγμα αναλύσεις για την αποτελεσματικότητα του ίδιου φαρμάκου που οι αναλυτές χρησιμοποιούσαν διαφορετικά όρια στην μελέτη με αποτέλεσμα να καταλήγουν σε αντίθετα συμπεράσματα. Για το λόγο αυτό πολύ σημαντικό ρόλο παίζει ο σχεδιασμός μιας μετα-ανάλυσης. Για την πραγματοποίηση μιας ποιοτικής [8] και αποτελεσματικής μετα-ανάλυσης είναι πολύ σημαντικό το στάδιο αναζήτησης και εύρεσης των κατάλληλων μελετών. Αυτό θα επιτευχθεί με την μέθοδο της συστηματικής ανασκόπησης καθώς αποτελεί ουσιαστικά την καρδιά της μετα-ανάλυσης. Ειδικά στις περιπτώσεις μετα-αναλύσεων με αντικείμενο κλινικές μελέτες για κάποιο νέο φάρμακο ή θεραπεία, είναι ζωτικής σημασίας ο σωστός σχεδιασμός και η επιλογή των μελετών που θα συμμετάσχουν σε αυτή, αν αναλογιστεί κανείς την σημαντικότητα των αποτελεσμάτων. Για το λόγο αυτό η αναζήτηση δεδομένων που έχουν σχέση με το αντικείμενο μελέτης γίνεται με μεγάλη προσοχή και σε κάθε μέσο που μπορεί να παρέχει πληροφορία δηλαδή, σε βάσεις δεδομένων στο διαδίκτυο, σε περιοδικά, σε βιβλία και σε αδημοσίευτες μελέτες ή ακόμα και σε μελέτες που σε εξέλιξη. Σκοπός της παρούσας εργασίας είναι η μετα-ανάλυση σε κλινικές μελέτες με την μέθοδο αξιοποίησης πληροφοριών από τα δεδομένα που παρέχουν οι καμπύλες επιβίωσης Kaplan Meier που θα παρουσιαστούν στο κεφάλαιο 2. 6

7 1.1.2 Σχεδιασμός Μετα-ανάλυσης Για τον σχεδιασμό μιας μετα-ανάλυσης υπάρχουν κάποια βασικά βήματα που πρέπει να εκτελεσθούν όπως γίνεται σε κάθε είδους μελέτης ή έρευνας [9]. Το πρώτο βήμα περιλαμβάνει τον ορισμό του προβλήματος η του αντικειμένου της έρευνας. Οι ερευνητές καλούνται δηλαδή να γράψουν ένα λεπτομερέστατο πρωτόκολλο της μελέτης που δηλώνει τους στόχους, τις υποθέσεις που πρέπει να ελεγχθούν, και τα υποπεδία που μπορεί να σχετίζονται με το συγκεκριμένο θέμα. Στην συνέχεια ακολουθεί το βήμα των προτεινόμενων μεθόδων και κριτηρίων επιλογής σχετικών μελετών με το αντικείμενο της έρευνας. Η συμπερίληψη ή ο αποκλεισμός ορισμένων μελετών μπορεί να στρεβλώσει σε μεγάλο βαθμό τα αποτελέσματα της μεταανάλυσης. Ως εκ τούτου, τα κριτήρια για την επιλογή των μελετών πρέπει να καθορίζονται εκ των προτέρων με την βιβλιογραφική έρευνα [10]. Τέλος έχουμε το βήμα που περιλαμβάνει τις μεθόδους εξαγωγής δεδομένων και πληροφοριών για περαιτέρω επεξεργασία και οδήγηση σε σημαντικά στατιστικά συμπεράσματα. Αποτελέσματα που βασίζονται σε αποδείξεις και σημαντικά συμπεράσματα για μελλοντικές μελέτες. Τα βήματα που παρουσιάστηκαν θα μπορούσαν να χωριστούν σε ακόμη πιο μικρά. Κάποια βασικά θέματα που πρέπει να δοθεί ιδιαίτερη προσοχή είναι: 1. Η αποφυγή συγχώνευσης διαφορετικών τύπων μελετών για να έχουμε ορθότερα συμπεράσματα. 2. Ο ορισμός αυστηρών κριτηρίων αποκλεισμού μελετών για την επίτευξη μεγαλύτερης ομοιογένειας. 3. Η αντιμετώπιση της κάθε μελέτης σαν μια ξεχωριστή οντότητα για καλύτερα αποτελέσματα. 4. Εκτίμηση του σφάλματος δημοσίευσης δηλαδή έλεγχος των μελετών που συμπεριλαμβάνουμε στην έρευνα γιατί αυτές που δημοσιεύονται πιο εύκολα γενικά είναι οι μελέτες με τα θετικά μόνο αποτελέσματα άρα οδηγούμαστε σε λάθος συμπεράσματα Πλεονεκτήματα και μειονεκτήματα Πλεονεκτήματα Παρέχει μια αντικειμενική σύνθεση πολλών σχετικών μελετών ή πειραμάτων για ένα συγκεκριμένο πρόβλημα προκειμένου να οδηγηθεί η έρευνα σε ένα μοναδικό συνολικό συμπέρασμα. Η μετα-ανάλυση είναι ένας πολύ καλός τρόπος για την μείωσης της πολυπλοκότητας, του μεγέθους της έρευνας και έχει σαν αποτέλεσμα την εξασφάλιση χρόνου και χρήματος βοηθώντας τους μελετητές να συλλέγουν πολύ περισσότερα δεδομένα χωρίς να απασχολείται μια ολόκληρη ερευνητική ομάδα. Η σωστή διαδικασία εφαρμογής της μετα-ανάλυσης επιτρέπει την αξιολόγηση της μεροληπτικότητας των μελετών που συμμετέχουν στην διαδικασία με την πραγματοποίηση στατιστικών ελέγχων που διασφαλίζουν την εγκυρότητα των αποτελεσμάτων. Η διαδικασία επιλογής των μελετών που θα συμμετάσχουν στην μετα-ανάλυση έχει γίνει πιο αυστηρή με καθορισμένα κάθε φορά κριτήρια και αυτό έχει ως αποτέλεσμα τα συμπεράσματα που προκύπτουν από την μετα-ανάλυση να είναι πολύ πιο αξιόπιστα. Μειονεκτήματα Δεν υπάρχει κάποια συγκεκριμένη μεθοδολογία επιλογής των μελετών που θα συμμετάσχουν στην μετα-ανάλυση παρά μόνο η στρατηγική αναζήτησης και επιλογής που θα εφαρμοστεί από τον κάθε ερευνητή με κριτήρια που θα θεωρήσει ο ίδιος κατάλληλα. Η μετα-ανάλυση είναι πολύ συχνά μεροληπτική προς την κατεύθυνση ενός γενικού συμπεράσματος στατιστικής σημαντικότητας, επειδή δεν έχει την δυνατότητα να πάρει υπόψη της τα αποτελέσματα μελετών που έχουν οδηγήσει σε μη σημαντικά στατιστικά συμπεράσματα διότι δεν έχουν δημοσιευθεί. Η μετα-ανάλυση συχνά οδηγεί σε μία υπεραπλούστευση κάποιων ερευνητικών προβλημάτων δεδομένου ότι επικεντρώνει την προσοχή της σε μια συνολική μέση επίδραση αντί να μελετήσει τους ενδιάμεσους παράγοντες. 7

8 1.1.4 Επιστημονικά πεδία εφαρμογής της μετα-ανάλυσης Στην ιατρική, οι συστηματικές ανασκοπήσεις και η μετα-ανάλυση αποτελούν τον πυρήνα του κινήματος για την εξασφάλιση ότι οι ιατρικές θεραπείες βασίζονται στα βέλτιστα διαθέσιμα εμπειρικά δεδομένα. Για παράδειγμα, το Cochrane Collaboration [11] έχει δημοσιεύσει αποτελέσματα για περισσότερες από 3700 μετα-αναλύσεις (Από τον Ιανουάριο του 2009) τα οποία συνθέτουν τα δεδομένα σχετικά με τις θεραπείες σε όλους τους τομείς της υγείας, συμπεριλαμβανομένων και των ειδικών περιπτώσεων των πονοκέφαλων, του καρκίνου, των αλλεργιών, των καρδιαγγειακών παθήσεων, την πρόληψη του πόνου, και την κατάθλιψη. Πραγματοποιείτε επίσης έλεγχος σε στοιχεία που έχουν σχέση με παρεμβάσεις που σχετίζονται με νέομεταγεννητική φροντίδα, τον τοκετό, βρεφικές και παιδικές ασθένειες, καθώς και ασθένειες κοινές σε εφήβους, ενήλικες και ηλικιωμένους. Τα είδη των παρεμβάσεων περιλαμβάνουν χειρουργική επέμβαση, τα φάρμακα, τον βελονισμό και κοινωνικές παρεμβάσεις. Το περιοδικό BMJ [12] δημοσιεύει μια σειρά από άρθρα με Evidence Based Medicine, που βασίστηκε στα αποτελέσματα συστηματικών ανασκοπήσεων. Οι συστηματικές ανασκοπήσεις και οι μετα-αναλύσεις χρησιμοποιούνται επίσης για την μέτρηση της απόδοσης διαφόρων διαγνωστικών εξετάσεων, και επιδημιολογικών συσχετίσεων μεταξύ της έκθεσης και ο επιπολασμού της νόσου, μεταξύ άλλων θεμάτων. Ερευνητικά κέντρα [10] διεξάγουν συνήθως μια σειρά μελετών για την αξιολόγηση της αποτελεσματικότητα ενός φαρμάκου. Χρησιμοποιούν μετα-ανάλυση για να συνθέσουν τα δεδομένα από τις μελέτες αυτές, πραγματοποιώντας ένα πιο ισχυρό έλεγχο (και ακριβέστερη εκτίμηση) της επίδρασης του φαρμάκου. Επιπλέον, η μετα-ανάλυση παρέχει ένα πλαίσιο για την αξιολόγηση της σειράς μελετών ως σύνολο, αντί να ελέγχουν κάθε μια μεμονωμένα. Οι αναλύσεις αυτές παίζουν σημαντικό ρόλο στην εσωτερική έρευνα, για τις αναφορές στις κυβερνητικές υπηρεσίες, καθώς και στο μάρκετινγκ. Οι μετα-αναλύσεις χρησιμοποιούνται επίσης για να συνθέσουν τα στοιχεία σχετικά με ανεπιθύμητες παρενέργειες των φαρμάκων, δεδομένου ότι αυτά εκδηλώνονται σπάνια και θα πρέπει να συσσωρεύονται πληροφορίες σε μια σειρά μελετών για να εκτιμηθεί σωστά ο κίνδυνος αυτών των γεγονότων. Στον τομέα της εκπαίδευσης η μετα-ανάλυση έχει εφαρμοστεί σε ποικίλα θέματα, όπως η σύγκριση της εκπαίδευσης εξ αποστάσεως με την παραδοσιακή διδασκαλία σε μια αίθουσα, η αξιολόγηση των επιπτώσεων της εκπαίδευσης στις αναπτυσσόμενες οικονομίες, διάφορα τεστ γνώσεων και αξιολόγησης καθώς επίσης και άλλα παιδαγωγικά πειράματα. Η μέθοδος της μετα-ανάλυσης [13] είναι πολύ σημαντική καθώς υπάρχει η δυνατότητα αξιοποίησης πληροφοριών από τις ποικίλες καταστάσεις και τους παράγοντες που επηρεάζουν την εκπαίδευση για την εξαγωγή σημαντικών συμπερασμάτων. Αποτελέσματα διαφόρων ερευνών και η χρήση αυτών σε μεταναλύσεις έχουν επηρεάσει σε πολύ μεγάλο βαθμό τον τρόπο εκπαίδευσης σε αρκετές περιοχές ανά τον κόσμο. Στην ψυχολογία, η μετα-ανάλυση έχει εφαρμοστεί για την βασική επιστήμη, όπως επίσης και για την υποστήριξη θεωριών [14] όσον αφορά τον τρόπο λειτουργίας του ατόμου σε διάφορες καταστάσεις ανάλογα με την ψυχολογική του κατάσταση. Έχει χρησιμοποιηθεί για την αξιολόγηση στις αλλαγές της προσωπικότητας όλη τη διάρκεια της ζωής ενός ατόμου, για την εκτίμηση της επίδρασης της βίας μέσα στην επιθετική συμπεριφορά, την απόδοση και την στάση των ανθρώπων στο χώρο εργασίας με βάση τις πέντε διαστάσεις της συμπεριφοράς. Έχουν επίσης πραγματοποιηθεί πολύ σημαντικές έρευνες [2] για να γίνει εξέταση των διαφορών στα δύο φύλα στα πεδία της μαθηματικής ικανότητας, της ηγεσίας, και της μη λεκτικής επικοινωνίας. Αποτελεί πλέον ένα σύγχρονο εργαλείο στην επιλογή θεραπείας για ψυχολογικά προβλήματα, συμπεριλαμβανομένου της ψυχαναγκαστικής διαταραχής, της διαταραχής παρορμητικότητας, της νευρικής βουλιμίας, της κατάθλιψη, των φοβιών, και την διαταραχή πανικού. Στον τομέα της εγκληματολογίας, κυβερνητικοί οργανισμοί έχουν χρηματοδοτήσει μετα-αναλύσεις που εξετάζουν τη σχετική αποτελεσματικότητα των διαφόρων προγραμμάτων για τη μείωση της εγκληματικής συμπεριφοράς. Αυτές περιλαμβάνουν πρωτοβουλίες για την πρόληψη της εγκληματικότητας, τη μείωση της υποτροπής, την αξιολόγηση της αποτελεσματικότητας των διαφορετικών στρατηγικών για περιπολίες της αστυνομίας και για τη χρήση των ειδικών δικαστηρίων που ασχολούνται με εγκλήματα που έχουν σχέση με ναρκωτικά. Πολλές μελέτες οδήγησαν [15] στο συμπέρασμα ότι δεν αρκούν οι ποινικές κυρώσεις χωρίς σωστή παροχή υπηρεσιών αποκατάστασης και χωρίς αναφορά σε ψυχολογικά αίτια έτσι προέκυψαν διάφορα μοντέλα αντιμετώπισης και βελτίωσης του σωφρονισμού των εγκληματιών. 8

9 Στον τομέα της οικολογίας, οι μετα-αναλύσεις που χρησιμοποιούνται για τον προσδιορισμό των περιβαλλοντικών επιπτώσεις των αιολικών πάρκων, βιοτικών αντιστάσεων στην εισβολή εξωτικών φυτών, οι επιπτώσεις των αλλαγών στην τροφική αλυσίδα των θαλασσών, οι αντιδράσεις των φυτών στην παγκόσμια κλιματική αλλαγή κα. 1.2 Τρόποι Πραγματοποίησης μετα-ανάλυσης και Στατιστικά Μεγέθη Οι μετα-αναλύσεις γίνονται όλο και περισσότερο αποδεκτές ως το καλύτερο μέσο για να συνοψίζεις τα αποτελέσματα μιας σειράς τυχαιοποιημένων ελεγχόμενων μελετών ώστε να αντιμετωπίζονται παρόμοιες περιπτώσεις [16]. Ο καλύτερος τρόπος για να πραγματοποιηθεί μια μετα-ανάλυση σε όλες τις σχετικές τυχαιοποιημένες κλινικές μελέτες είναι η ανάλυση των στατιστικών δεδομένων από όλους τους ασθενείς που συμμετείχαν σε αυτές. Τα στατιστικά δεδομένα προκύπτουν από τα γεγονότα (time to event data) ή αλλιώς θανάτους των ασθενών κατά την διάρκεια μιας χρονικής περιόδου της μελέτης [17]. Τον πιο δύσκολο ρόλο στην όλη διαδικασία τον έχουν αυτοί που θα αναλάβουν την συλλογή τον έλεγχο και την ανάλυση των πρώτων δεδομένων από αυτές τις μελέτες με λίγα λόγια την διαδικασία της συστηματικής ανασκόπησης. Με αυτό τον τρόπο αυξάνεται η ακρίβεια και η δυνατότητα ενημέρωσης των δεδομένων καθώς επίσης η ευελιξία και η έκταση των αναλύσεων στην εκάστοτε μελέτη. Λιγότερο αυστηρές μετα-αναλύσεις (αφηγηματικές ανασκοπήσεις) που βασίζονται μόνο σε στοιχεία που προέρχονται από τις δημοσιευμένες εκθέσεις μπορεί να δώσουν διαφορετικά αποτελέσματα. Η συλλογή δεδομένων των επιμέρους ασθενών απαιτεί μεγάλο χρονικό διάστημα, αρκετούς πόρους και επιμονή. Ωστόσο μέχρι σήμερα αυτή η προσέγγιση έχει υιοθετηθεί σε ένα σχετικά μικρό αριθμό μετα-αναλύσεων. Για το λόγο αυτό, οι περισσότερες μετα-αναλύσεις βασίζονται στην άντληση δεδομένων από τη δημοσιευμένη βιβλιογραφία, διαδικτυακές βάσεις δεδομένων δημοσιεύσεις σε περιοδικά αλλά και μελέτες που δεν έχουν δημοσιευτεί. Έτσι μπορούμε να έχουμε την δυνατότητα να επεξεργαστούμε μεγαλύτερο όγκο δεδομένων σε μικρότερο χρονικό διάστημα χρησιμοποιώντας λιγότερους πόρους. Γενικά υπάρχουν διαφορετικοί τρόποι και στατιστικές μεταβλητές για την πραγματοποίηση μιας μετα-ανάλυσης Μέγεθος επίδρασης (effect size) Οι μεταβλητές που χρησιμοποιούνται για την πραγματοποίηση μιας μετα-ανάλυσης περιγράφονται από κάποιο μέγεθος επίδρασης (effect size), που ουσιαστικά είναι μια τιμή η οποία αντικατοπτρίζει το ποσοστό επίδρασης της θεραπείας (treatment effect) σε διάφορες κλινικές μελέτες ή την σχέση μεταξύ δύο μεταβλητών για πολλών ειδών μελέτες [2]. Υπολογίζεται αρχικά το μέγεθος επίδρασης για κάθε μια από τις μελέτες που θα συμπεριληφθούν στην συνολική μετα-ανάλυση και έπειτα χρησιμοποιούμε τα επιμέρους αποτελέσματα για τον υπολογισμό της συνολικής επίδρασης για να καταλήξουμε σε χρήσιμα στατιστικά συμπεράσματα. Οι μετα-αναλύσεις σε κλινικές μελέτες για να περιγράψουν την επίδραση της θεραπείας χρησιμοποιούν διάφορα μεγέθη επίδρασης όπως Odds Ratio, Relative Risk, Risk Differences. Πολύ σημαντικό πριν την πραγματοποίηση μιας μετα-ανάλυσης είναι η επιλογή του κατάλληλου μεγέθους επίδρασης. Τα κριτήρια για αυτήν την επιλογή είναι: Οι διαφορετικές μελέτες που θα συμπεριληφθούν στην μετα-ανάλυση να περιέχουν συγκρίσιμα μεταξύ τους μεγέθη στα αποτελέσματα τους. Στα στοιχεία που παρατίθενται στην εκάστοτε μελέτη πρέπει να υπάρχουν τα αποτελέσματα από τις διάφορες μετρήσεις που θα χρησιμοποιηθούν για την πραγματοποίηση της μετα-ανάλυσης. Το μέγεθος επίδρασης να έχει καλές τεχνικές προδιαγραφές. Για παράδειγμα πρέπει να δίνονται στοιχεία όπως η κατανομή του δείγματος και η διακύμανση του (ή να μπορούν να υπολογιστούν) για την πραγματοποίηση της μελέτης. Ο Σχετικός Κίνδυνος (Relative Risk) είναι ο λόγος των κινδύνων(risks) των δύο πληθυσμών [6] όπως ορίζεται στη σχέση 1. Για παράδειγμα εξετάζουμε τους 2 πληθυσμούς που παρουσιάζονται στον πίνακα ενδεχομένων 2. Οι πληθυσμοί χωρίζονται σε αυτούς που ακολουθούν την κλασική θεραπεία (control group) που είναι συνολικά 100 άτομα και αυτούς που ακολουθούν την νέα μέθοδο θεραπείας (research group) που είναι επίσης 100 στο σύνολο. Έστω ότι πεθαίνουν 5 από το research group και 10 από το control group, προκύπτει έτσι ένας σχετικός κίνδυνος στο research group που ισούται με 5/100 και ένας σχετικός κίνδυνος για το control group που ισούται με 10/100 έτσι ο λόγος των δύο κινδύνων είναι 0,5 όπως προκύπτει από τη 9

10 σχέση 1. Για το Relative Risk οι υπολογισμοί συνεχίζονται στην λογαριθμική κλίμακα. Συγκεκριμένα αφού υπολογιστεί ο φυσικός λογάριθμος του Relative Risk (σχέση 2), η διακύμανση(σχέση 3), το σχετικό του σφάλμα (σχέση 4) και το διάστημα εμπιστοσύνης [(σχέση 6,7) LL, UL] γίνεται η χρήση αυτών των αριθμών για την πραγματοποίηση της μετα-ανάλυσης. Όταν ολοκληρωθεί η όλη διαδικασία της μετα-ανάλυσης, μετατρέπουμε τα αποτελέσματα στην αρχική τους κλίμακα [2]. Η εικόνα 1 είναι μια γραφική αναπαράσταση μετα-ανάλυσης τριών μελετών με 2 πληθυσμούς ανά μελέτη που χρησιμοποιεί το Relative Risk. Τα διαστήματα εμπιστοσύνης που αναφέρθηκαν παραπάνω περιγράφουν την ακρίβεια με την οποία έχει υπολογιστεί το εκάστοτε Effect Size για την κάθε μελέτη που συμμετέχει σε μια μετα-ανάλυση. Η μετατροπή σε λογαριθμική κλίμακα είναι απαραίτητη για να διατηρηθεί η συμμετρία. Πίνακας 1 Παράδειγμα πίνακα με γενικά αποτελέσματα μελέτης. Γεγονότα Μη-Γεγονότα N Research Group A B N1 Control Group C D N2 Πίνακας 2 Συνθετικός πίνακας με τυχαίους αριθμούς που αναπαριστά μια μελέτη. Νεκροί Ζωντανοί Ασθενείς Research Group Control Group RelativeRisk = A N1 C N2 (1) LogRelativeRisk = ln(relativerisk) (2) V LogRelativeRisk = 1 A 1 N1 + 1 C 1 N2 (3) SE LogRelativeRisk= V LogRelativeRisk (4) RelativeRisk = exp(logrelativerisk) (5) LL RelativeRisk = exp(ll LogRelativeRisk ) (6) UL RelativeRisk = exp(ul LogRelativeRisk ) (7) 10

11 Εικόνα 1 Διαδικασία μετα-ανάλυσης με μέγεθος επίδρασης το Relative Risk και κάθε μελέτη να έχει 2 πληθυσμούς [2]. Ένα άλλο effect size είναι το Odds Ratio που υπολογίζει την πιθανότητα γεγονότος (θανάτου) σε σχέση με την πιθανότητα μη γεγονότος. Για παράδειγμα στην περίπτωση που χρησιμοποιηθεί σαν Effect Size το Odds Ratio και με βάση τον πίνακα 2 προκύπτει για το control group μια πιθανότητα θανάτου 5/95 (0.0526) και για το research group μια πιθανότητα 10/90 (0.1111). Το Relative Risk θεωρείται από αρκετούς καλύτερο Effect Size από ότι το Odds Ratio αλλά οι στατιστικές δυνατότητες που προσφέρει το δεύτερο το καθιστούν καλύτερη επιλογή για την πραγματοποίηση μιας μετα-ανάλυσης. Όταν ο αριθμός των θανάτων είναι μικρός το Odds Ratio θα είναι παρεμφερές με το Relative Risk. Στην περίπτωση επιλογής του Odds Ratio επίσης αλλάζουμε την κλίμακα σε λογαριθμική για τον ίδιο λόγο που εφαρμόστηκε και στο Relative Risk. Η διαδικασία της μετα-ανάλυσης δηλαδή περιλαμβάνει υπολογισμό του Odds Ratio (σχέση 8), μετατροπή στην λογαριθμική κλίμακα (σχέση 9), υπολογισμό της διακύμανσης (σχέση 10), του τυπικού σφάλματος και των διαστημάτων εμπιστοσύνης και μετατροπή στην αρχική κλίμακα (οι τελευταίες μεταβλητές υπολογίζονται όπως οι αντίστοιχες του Relative Risk). Οι σχέσεις που θα χρησιμοποιηθούν είναι παρόμοιες με αυτές του Relative Risk. OddsRatio = A D B C (8) LogOddsRatio = ln (OddsRatio) (9) V OddsRatio = 1 A + 1 B + 1 C + 1 D (10),όπου A, B,C, D όπως έχουν οριστεί στον πίνακα 1.Ένα ακόμη σημαντικό Effect Size που πρέπει να αναφερθεί είναι το Risk Difference (διαφορά κινδύνου) που είναι ουσιαστικά η διαφορά μεταξύ των δύο κινδύνων. Με 11

12 βάση τα παραπάνω στοιχεία του πίνακα 1 με κίνδυνο 0.05 για το research group και 0.10 για το control group προκύπτει ένα Risk Difference που ισούται με -0,05. Βασική διαφορά από τα δυο προηγούμενα Effect Sizes είναι ότι όλες οι πράξεις γίνονται χωρίς να αλλάξει κλίμακα η μεταβλητή μας. Η διαδικασία μετα-ανάλυσης με το συγκεκριμένο Effect Size περιλαμβάνει τον υπολογισμό του Risk Difference, της διακύμανσης και του τυπικού σφάλματος Μέγεθος επίδρασης Hazard Ratio Στην περίπτωση της παρούσας εργασίας το Effect Size που θα χρησιμοποιήσουμε είναι παρόμοιο με το Relative Risk και είναι το Hazard Ratio (HR). Δηλαδή τα στατιστικά αποτελέσματα που είναι χρήσιμα να εξαχθούν από την ελεγχόμενη τυχαιοποιημένη μελέτη επιβίωσης ασθενών είναι το Hazard Ratio και η διακύμανση. Συγκεκριμένα το Hazard Ratio [16] ερμηνεύει την αποτελεσματικότατα κάποιας νέας θεραπείας η φαρμάκου με την σύγκριση δύο καμπυλών επιβίωσης που αναπαριστούν 2 διαφορετικούς πληθυσμούς. Ο ένας πληθυσμός είναι αυτός που του χορηγείται ένα νέο φάρμακο ή κάποια νέα θεραπεία και ο άλλος πληθυσμός είναι αυτός στον οποίο εφαρμόζονται κλασικές μέθοδοι θεραπείας (Research group και Control group ).Το Hazard Ratio είναι η μοναδική στατιστική μεταβλητή που συνοψίζει το censoring και τον χρόνο μέχρι την εμφάνιση κάποιου γεγονότος (time to event). Ο όρος censoring αναφέρεται σε άτομα που σταμάτησαν να συμμετέχουν στην μελέτη χωρίς να είναι γνωστό σε τι κατάσταση βρίσκονται. Το γεγονός είναι ο θάνατος κάποιου ατόμου κατά την διάρκεια συμμετοχής του στη μελέτη. Αν δεν λαμβάνεται υπόψιν το censoring και ο χρόνος μέχρι κάποιο γεγονός στον υπολογισμό του log Hazard Ratio τότε αυτό που προκύπτει είναι το relative risk. Συχνά αναφέρεται ότι η χρήση του Hazard Ratio έμμεσα υποθέτει ανάλογους κινδύνους και για τους δύο πληθυσμούς που συγκρίνονται,αλλά αυτό δεν είναι απόλυτο για κάθε περίπτωση. Το Hazard Ratio είναι μια μεταβλητή που συνοψίζει την διαφορά των καμπυλών επιβίωσης δυο πληθυσμών και αναπαριστά την συνολική μείωση στον κίνδυνο θανάτου από μια συγκεκριμένη θεραπεία σε σχέση με τον έλεγχο καθ όλη τη διάρκεια της παρακολούθησης του ασθενούς. Για να υπάρχει η δυνατότητα καλύτερης ερμηνείας αυτού του στατιστικού μεγέθους είναι πολύ σημαντική η γραφική αναπαράσταση του είτε με την μορφή καμπύλης επιβίωσης είτε με την μορφή αναπαράστασης γραφήματος κινδύνου(hazard function plot). Οι καμπύλες επιβίωσης παρουσιάζονται αναλυτικά στο κεφάλαιο 2. Θεωρούμε ότι σε μια μετα-ανάλυση συμμετέχουν Κ μελέτες και για κάθε i=1,,κ μελέτη θα υπολογίζεται Log Hazard Ratio ln(hri ) και η διακύμανση της εκάστοτε μελέτης var[ln(hri )] ξεχωριστά. Το Hazard ratio ορίζεται με την βοήθεια του relative risk από την σχέση Hr = (RR 1)/RR. Περισσότερες λεπτομέρειες θα αναφερθούν στην μεθοδολογία που ακολουθεί σε παρακάτω κεφάλαιο. Αφού συγκεντρωθούν τα αποτελέσματα αυτά θα υπολογιστεί τελικά ένα συνολικό log Hazard ratio ln(hr) από την σχέση 11 και μια συνολική διακύμανση var[hr] από την σχέση 12 για τις Κ μελέτες. ln(hr) = K ln(hri) i=1var[hr i ] 1 K i=1var[hr i ] (11) K var[ln(hr)] = [ i=1 ] (12) var[hr i ] Είναι προφανές από τους τύπους ότι η συνολική πιθανότητα κινδύνου είναι ένας σταθμισμένος μέσος όρος των επιμέρους πιθανοτήτων κινδύνου από την κάθε μελέτη με τα βάρη αντιστρόφως ανάλογα προς την διακύμανση του log hazard για κάθε δοκιμή. Η μέθοδος υπολογισμού αυτών των δύο στατιστικών μεγεθών θα παρουσιαστεί με λεπτομέρειες παρακάτω. 1 12

13 1.3 Ερμηνεία αποτελεσμάτων γραφήματος μετα-ανάλυσης Τα αποτελέσματα μιας ολοκληρωμένης μετα-ανάλυσης έχουν ένα συγκεκριμένο τρόπο γραφικής απεικόνισης όπως την εικόνα 2 που ονομάζεται forest plot. Ο πίνακας που αναπαριστά ουσιαστικά η εικόνα 2 αποτελείται από: Την 1 η στήλη που περιέχει το όνομα της μελέτης Την 2 η στήλη που περιέχει το σύνολο των γεγονότων (πλήθος θανάτων ανά μελέτη) Την 3 η στήλη που περιέχει το σύνολο των συμμετεχόντων στην εκάστοτε μελέτη Την 4 η στήλη που περιέχει την γραφική αναπαράσταση του αποτελέσματος της μετα-ανάλυσης Την 5 η στήλη που περιέχει τα αποτελέσματα του διαστήματος εμπιστοσύνης με ακρίβεια 95% Το κάθε τετράγωνο στην 4 η στήλη αναπαριστά ουσιαστικά το αποτέλεσμα της εκάστοτε μελέτης με το μέγεθος να διαφέρει ανάλογα με την βαρύτητα που δίνεται στις διαφορετικές μελέτες όταν υπολογίζεται η συνολική επίδραση. Το μέγεθός του δηλαδή επηρεάζεται από το σύνολο των συμμετεχόντων στην εκάστοτε μελέτη (μέγεθος του δείγματος). Έτσι στις μελέτες τις οποίες συμμετείχαν περισσότεροι ασθενείς δίνονταν μεγαλύτερη βαρύτητα και αντίστοιχα λιγότερη σε αυτές με λιγότερους ασθενείς. Οι οριζόντιες γραμμές που ενώνονται με τα τετράγωνα αναπαριστούν το διάστημα εμπιστοσύνης 95%. Το διαμάντι στην εικόνα 2 αναπαριστά το συνολικό αποτέλεσμα της μετα-ανάλυσης που προκύπτει από όλες τις μελέτες [2]. Ο οριζόντιος άξονας με τις υποδιαιρέσεις, αναπαριστά τις τιμές του Hazard Ratio ανάλογα με τα αποτελέσματα από την μετα-ανάλυση. Αν το 1 βρίσκεται στο 95 % διάστημα εμπιστοσύνης σημαίνει ότι δεν υπάρχει καμία στατιστική σημαντικότητα στο 5%. Αν ένα τετράγωνο βρίσκεται στη μέση της κάθετης γραμμής που ξεκινάει από το 1 σημαίνει δεν υπάρχει κάποια διαφορά στην θεραπεία που χρησιμοποιήθηκε στο control group σε σχέση με αυτή του research group [17]. Αν ένα τετράγωνο βρίσκεται δεξιά της κάθετης γραμμής που είναι ένα σημαίνει ότι η θεραπεία του control group (παλιός τρόπος θεραπείας) είναι αποτελεσματικότερη της θεραπείας του research group (θεραπεία υπό έρευνα) και αν είναι στα αριστερά σημαίνει ακριβώς το αντίθετο. Στην τελευταία στήλη έχουμε το πραγματικό αποτέλεσμα της εκάστοτε μελέτης και το διάστημα εμπιστοσύνης στην παρένθεση. Εικόνα 2 Αποτελέσματα των μελετών που συμμετείχαν στην μετα-ανάλυση και συνολικό αποτέλεσμα (forest plot) [18]. 13

14 2 Μεθοδολογία Τα δεδομένα που χρησιμοποιούνται για την πραγματοποίηση μιας μετα-ανάλυσης τις περισσότερες φορές αντλούνται από δημοσιευμένες μελέτες. Η μετα-ανάλυση μπορεί να εφαρμοστεί με διαφορετικές μεθόδους ανάλογα με τα δεδομένα που υπάρχουν στη διάθεση του αναλυτή. Οι μέθοδοι χωρίζονται σε αυτές που υπολογίζουν fixed effect model, αυτές που υπολογίζουν random effect model, η και τα δυο [2]. Η μέθοδος που θα χρησιμοποιηθεί στην παρούσα εργασία βασίζεται σε καμπύλες επιβίωσης Kaplan-Meier και βασικά στοιχεία της μελέτης όπως θα παρουσιαστούν παρακάτω. Για την καλύτερη αναγνώριση και κατανόηση των διαφορετικών μεθόδων παρουσιάζεται μια άτυπη διαίρεση αυτών σε κλασικές και εναλλακτικές μεθόδους. 2.1 Σύγκριση fixed effect model και random effect model Το fixed effect model αναφέρεται σε effect sizes που ισχύει σαν αρχική υπόθεση το γεγονός ότι οι πληθυσμοί που συμμετέχουν στις μελέτες είναι πανομοιότυποι, δεν υπάρχουν παράγοντες που να τους κάνουν να διαφέρουν ή αυτοί ο παράγοντας είναι ίδιοι για όλους τους συμμετέχοντες [19]. Αυτό σημαίνει ότι το πραγματικό effect size που υπολογίζεται έχει ίδιο αποτέλεσμα σε όλες τις μελέτες. Εφόσον χρησιμοποιείται το ίδιο πραγματικό effect size για όλες τις μελέτες, το υπολογισμένο effect size ποικίλει επειδή υπάρχει το τυχαίο λάθος που εμφανίζεται σε κάθε μελέτη. Αυτό το λάθος δεν θα υπήρχε μόνο στην περίπτωση που το μέγεθος του δείγματος μας δηλαδή οι συμμετέχοντες θα ήταν άπειροι. Το random effect model αναφέρεται σε μελέτες που πραγματοποιούνται και λαμβάνονται υπόψιν τα διαφορετικά χαρακτηριστικά ή οι παράγοντες που επηρεάζουν το αποτέλεσμα του effect size που χρησιμοποιείται στην εκάστοτε μετα-ανάλυση. Για παράδειγμα έχουμε μια σειρά μελετών με δύο ομάδες πληθυσμού ανά μελέτη που ελέγχεται η υπόθεση αν η θεραπεία μέσω placebo φαρμάκων [2] είναι αποτελεσματικότερη από κάποιο εμβόλιο. Αν η θεραπεία που είναι υπό έλεγχο έχει αποτέλεσμα, το effect size που θα προκύψει θα είναι «παρόμοιο» σε όλες τις μελέτες που συμμετέχουν στην μετα-ανάλυση. Το effect size στην συγκεκριμένη μετα-ανάλυση μπορεί να είναι υψηλότερο η χαμηλότερα επειδή επηρεάζεται από παράγοντες όπως η ηλικία, η σωματική υγεία του ασθενούς ή ακόμα και το φύλλο. Επειδή οι συμμετέχοντες στις μελέτες ποικίλουν όπως επίσης και τα χαρακτηριστικά αυτών θα έχουμε διαφορετικά effect sizes για διαφορετικές μελέτες. Θα πρέπει να αναφερθεί ότι στις μελέτες πραγματοποιείται έλεγχος ετερογένειας και επιλέγοντας να χρησιμοποιηθεί random effect model αν δεν υπάρχει ετερογένεια είναι σαν να έχουμε fixed effect model δηλαδή οι πληθυσμοί είναι όμοιοι. Στην περίπτωση όμως που χρησιμοποιείται fixed effect model και από τον έλεγχο προκύψει ετερογένεια σημαίνει σημαίνει ότι θα προκύψουν εσφαλμένα αποτελέσματα. Είναι ένας σημαντικός έλεγχος για την διασφάλιση σωστών αποτελεσμάτων. 2.2 Κλασικές Μέθοδοι μετα-ανάλυσης Η μέθοδος του Peto υπολογίζει το log odds ratio μέσα από πίνακες ενδεχομένων. Ο πίνακας αυτός περιέχει το σύνολο των ασθενών που παρουσιάζουν κάποιο γεγονός (θάνατος) και αυτών που δεν παρουσιάζουν κάποιο γεγονός, όπως φαίνεται στον πίνακα 2 παραγράφου Ο χρόνος που χρειάζεται να ολοκληρωθεί η εκάστοτε μελέτη χωρίζεται σε μικρότερες χρονικές περιόδους και έτσι προκύπτουν διαφορετικοί πίνακες ενδεχομένων για κάθε μια από αυτές [21]. Το treatment effect υπολογίζεται σε αυτή την μέθοδο από το odds ratio. Μια άλλη μέθοδος που χρησιμοποιεί τα odds ratio για τον υπολογισμό του treatment effect είναι αυτή που ονομάζεται μέθοδος log rank. Η συγκεκριμένη μέθοδος υλοποιείται όπως ακριβώς και του Peto, με την διαφορά ότι οι χρονικές περίοδοι είναι όσες το σύνολο των γεγονότων και κάθε γεγονός ορίζει το τέλος μιας χρονικής περιόδου [21]. Αυτό σημαίνει ότι όταν έχουμε γεγονός γράφεται 1 και όταν έχουμε αποχώρηση κάποιου από την μελέτη (censoring) γράφεται 0 στον εκάστοτε πίνακα ενδεχομένων. Η συγκεκριμένη μέθοδος λαμβάνει υπόψιν της τους censored ασθενείς καθώς με το που αποχωρήσουν από την μελέτη αφαιρούνται από τους υπολογισμούς των διαφόρων στατιστικών μεγεθών. Επίσης υπάρχει και η μέθοδος υπολογισμού Interval-censored που χωρίζει την μελέτη σε χρονικές περιόδους όπου κάθε ένας που συμμετέχει στη μελέτη είτε επιβιώνει κατά την διάρκεια της χρονικής 14

15 περιόδου, είτε πεθαίνει, είτε αποχωρεί από την μελέτη. Τα δεδομένα μπορούν να θεωρηθούν σαν αποτελέσματα μελετών Bernoulli καθώς κάθε ασθενής έχει μια πιθανότητα να είναι σε κίνδυνο (at risk) κατά την διάρκεια του χρονικού διαστήματος που έχει οριστεί δηλαδή να εμφανίσει ή να μην εμφανίσει γεγονός. Για παράδειγμα αν κάποιος που συμμετέχει στη μελέτη και πεθαίνει (γεγονός) στον τρίτο χρόνο με δεδομένο ότι η χρονική περίοδος που έχει οριστεί είναι το 1 έτος- έχει τρεις καταγραφές. Η πρώτη είναι τον πρώτο χρόνο που επέζησε, η δεύτερη καταγραφή είναι το δεύτερο χρόνο που ισχύει το ίδιο και τον τρίτο χρόνο είναι που παρουσίασε το γεγονός. Τα δεδομένα σε αυτή την μέθοδο αντιμετωπίζονται σαν interval censored δηλαδή είναι γνωστή η χρονική περίοδος που συνέβη ένα γεγονός αλλά όχι ο ακριβής χρόνος. Στις μεθοδολογίες μετα-ανάλυσης που αναφέρθηκαν πριν ξεκινήσει η διαδικασία της μετα-ανάλυσης και εφόσον υπάρχουν τα IPD πραγματοποιείται ένας έλεγχος το λεγόμενο Log rank test. Το συγκεκριμένο test ελέγχει αν η συνάρτηση επιβίωσης που χρησιμοποιείται στους δύο πληθυσμούς είναι ίδια [17]. Σε περίπτωση που είναι ίδια η συγκεκριμένη μελέτη θα συμπεριληφθεί στην μετα-ανάλυση αλλιώς την απορρίπτουμε. 2.3 Εναλλακτικές μέθοδοι μετα-ανάλυσης Μια εναλλακτική μέθοδος που χρησιμοποιεί δεδομένα από μετα-αναλύσεις με IPD με αποτελέσματα timeto-event είναι ο λόγος των ποσοστών (percentile ratio). Η συγκεκριμένη μέθοδος έχει προταθεί επειδή τα percentile ratios μπορεί να προσδιοριστούν και να χρησιμοποιηθούν για την σύγκριση οποιονδήποτε 2 καμπυλών επιβίωσης και το αποτέλεσμα που προκύπτει να αποτελεί την βάση για την σύγκριση και τον συνδυασμό των treatment effects για όλες τις μελέτες της μετα-ανάλυσης [22]. Υπάρχουν περιπτώσεις που δεν μπορεί να υπολογιστεί το HR σε κάποιες μελέτες ώστε να πραγματοποιηθεί η μετα-ανάλυση. Η αιτία που συμβαίνει αυτό είναι γιατί δεν υπάρχουν τα IPD ή γενικά είναι ανεπαρκή τα δεδομένα που υπάρχουν στην διάθεση του αναλυτή. Έτσι προτάθηκε η μέθοδος του μέσου λόγου (median ratio) που μπορεί να εφαρμοστεί με τρείς τρόπους. Η διακύμανση να υπολογιστεί κατά προσέγγιση χρησιμοποιώντας 1 ον τους θανάτους στο control group και στο research group για κάθε μελέτη 2 ον τους συνολικούς θανάτους σε κάθε μελέτη 3 ον τον συνολικό αριθμό των ασθενών σε κάθε μελέτη [23]. Για να ελεγχθεί η αποτελεσματικότητα της μεθόδου τα αποτελέσματα από την μετα-ανάλυση συγκρίθηκαν έχοντας σαν effect size είτε το HR, είτε το MR, είτε το OR. Το τελικό συμπέρασμα της σύγκρισης της αρχικής μετα-νάλυσης -που έγινε από IPD με effect size το HR- με τις άλλες 2 μεθόδους είναι ότι ο 1 ος τρόπος του υπολογισμού της διακύμανσης μέσω του MR είναι αυτός είναι ο πιο αποτελεσματικός. Όταν όμως έχουμε στην διάθεση μας τα IPD πάντα επιλέγουμε το HR σαν effect size [23]. Οι αναλυτές γενικά προσπαθούν να αναπτύξουν μεθόδους που δεν χρειάζονται όλα τα δεδομένα (IPD) μιας μελέτης, γιατί συνήθως είναι δύσκολο ή και αδύνατο να εντοπιστούν. Έτσι έχουμε την ανάπτυξη μιας άλλης μεθόδου που χρησιμοποιεί στοιχεία που συνήθως αναφαίνονται στις δημοσιευμένες μελέτες ώστε να υπάρχει η δυνατότητα να συμπεριληφθούν όσο τον δυνατόν περισσότερες σε μια μετα-ανάλυση. Η μεθοδολογία αυτή υπολογίζει ένα αθροιστικό ποσοστό επιβίωσης (συνάρτηση επιβίωσης) για τον κάθε πληθυσμό της εκάστοτε μελέτης. Συγκεκριμένα υπολογίζεται η διαφορά μεταξύ log(-log) αθροιστικού ποσοστού επιβίωσης για τις δύο θεραπείες που ελέγχονται στους δυο πληθυσμούς μιας μελέτης σαν δείκτης διαφοράς για να αναπαραστήσει το effect size της συγκεκριμένης μελέτης [24] Μια ακόμη αξιοσημείωτη είναι αυτή που προτάθηκε από τον Preneger και είναι μια απλή διαδικασία που υπολογίζει το HR κατά προσέγγιση χρησιμοποιώντας τα σύνολα των γεγονότων και των μη γεγονότων από τους πίνακες ενδεχομένων [25]. Η μέθοδος είναι απλή αλλά έχει το μειονέκτημα ότι δεν λαμβάνονται υπόψιν οι censored ασθενείς. 2.4 Μεθοδολογία μετα-ανάλυσης από δημοσιευμένες καμπύλες Kaplan Meier Υπάρχουν αρκετοί τρόποι διεξαγωγής μετα-αναλύσεων αλλά στην συγκεκριμένη εργασία γίνεται μια προσπάθεια αξιοποίησης των εικόνων και των δεδομένων που έχουν δημοσιευτεί από διάφορες μελέτες που μπορεί να έχουν αρκετή ανεκμετάλλευτη πληροφορία. Έτσι στο συγκεκριμένο κεφάλαιο θα γίνει μια παρουσίαση της μεθοδολογίας της μετα-ανάλυσης μέσα από τα δεδομένα που δίνουν οι δημοσιευμένες καμπύλες επιβίωσης (Kaplan-Meier) καθώς επίσης και των μεταβλητών που διέπουν αυτή. 15

16 2.4.1 Καμπύλη επιβίωσης KAPLAN MEIER Το 1958 έγινε μια σημαντική συνεργασία μεταξύ του Edward L. Kaplan και του Paul Meier για την δημοσίευση μιας εργασίας [20] στο περιοδικό the American Statistical Association με θέμα την αντιμετώπιση των ημιτελών παρατηρήσεων σε διάφορες μελέτες. Αυτή η συνεργασία οδήγησε στην ανάπτυξη μιας πολύ σημαντικής μεθόδου αντιμετώπισης μη παραμετρικών υπολογισμών και ημιτελών παρατηρήσεων που βασίστηκε στην θεωρία της πιθανότητας υπό συνθήκη. Πρόκειται για μια μέθοδο που υπολογίζει την πιθανότητα επιβίωσης σε μια συγκεκριμένη χρονική στιγμή χρησιμοποιώντας το ποσοστό των ασθενών που έχουν επιβιώσει μέχρι και εκείνη την στιγμή [21]. Ο υπολογισμός της πιθανότητας επιβίωσης πραγματοποιείται λαμβάνοντας υπόψη τα γεγονότα που είναι ουσιαστικά ο θάνατος κάποιου ασθενή κατά την διάρκεια της μελέτης και τα «censored» δεδομένα της μελέτης που ουσιαστικά είναι ασθενείς που είτε αποχωρούν για κάποιο λόγο από την μελέτη είτε σταματούν να εμφανίζονται και δεν υπάρχει κανένα στοιχείο για να βρεθούν. Συνήθως χρησιμοποιείται για την σύγκριση δυο διαφορετικών πληθυσμών και την μεταξύ τους σχέση όπως φαίνεται και στην εικόνα 3. Η καμπύλη που προκύπτει από την εφαρμογή της μεθόδου Kaplan-Meier και ο τρόπος αναπαράστασης της είναι ένας συνδυασμός όλων όσων αναφέρθηκαν και θα παρουσιαστούν με περισσότερες λεπτομέρειες στη συνέχεια. 120 Kaplan Meier Πιθα νότητα Επιβίωσης(%) Πληθυσμός Α Πληθυσμός Β Χρόνος (Μήνες) Εικόνα 3 Είναι ένα βασικό μοντέλο απεικόνισης της πιθανότητας επιβίωσης που βρέθηκε με την μέθοδο Kaplan Meier Δημιουργία καμπύλης Το παράδειγμα που ακολουθεί θα διευκολύνει την κατανόηση για τον τρόπο που σχηματίζεται η καμπύλη επιβίωσης Kaplan Meier [22]. Έστω 7 ασθενείς που συμμετέχουν σε μια μελέτη που διαρκεί 48 μήνες. Ακολουθεί μια συνοπτική παρουσίαση των σταδίων δημιουργίας καμπυλών Kaplan-Meier. Στην μελέτη θα συμμετάσχει ένας συγκεκριμένος αριθμός ατόμων με αρχική πιθανότητα επιβίωσης ίση 100% Με την εμφάνιση του πρώτου θανάτου θα μειωθεί ο αριθμός των ασθενών και θα αλλάξει και η πιθανότητα επιβίωσης Στον υπολογισμό της πιθανότητας επιβίωσης εκτός από τα γεγονότα που είναι οι θάνατοι σημαντικό ρόλο παίζουν και οι «censored» ασθενείς Με βάση την εμφάνιση των γεγονότων και των censored ασθενών σχηματίζεται μια φθίνουσα καμπύλη ΚΜ 16

17 Εικόνα 4 Παράδειγμα μιας μελέτης που έχει σαν αποτέλεσμα μια καμπύλη επιβίωσης ΚΜ. Εικόνα 5 Διαμόρφωση της καμπύλης μετά το πρώτο συμβάν στην μελέτη. 17

18 Εικόνα 6 Εμφάνιση και άλλων γεγονότων και αποχώρηση κάποιου ασθενή από την μελέτη. Εικόνα 7 Η μορφή της καμπύλης επιβίωσης μέχρι και τον 16 ο μήνα πραγματοποίησης της μελέτης. 18

19 Εικόνα 8 Ολοκλήρωση της μελέτης μετά το πέρας των 48 μηνών. Εικόνα 9 Τελικό αποτέλεσμα καμπύλης επιβίωσης με την μέθοδο K-M. 19

20 Μεταβλητές της μεθόδου K-M Έστω ότι υπάρχουν Ν ασθενείς οι οποίοι συμμετέχουν σε μια μελέτη που διαρκεί Τ χρόνο. Ο συνολικός χρόνος πραγματοποίησης της μελέτης χωρίζεται σε μικρότερα χρονικά σημεία τ j με το j = 1,2,, k και το k το σύνολο των χρονικών σημείων τα οποία ορίζουν την αρχή και την λήξη των χρονικών διαστημάτων t (πχ. χρονικό διάστημα (τ j, τ j+1 ). Το πλήθος των διαστημάτων και το μήκος κάθε χρονικού διαστήματος μπορεί να διαφέρει επειδή διαμορφώνεται ανάλογα με το ρυθμό εμφάνισης των γεγονότων που συμβαίνουν κατά την διάρκεια της μελέτης. Στην πράξη τα χρονικά διαστήματα ορίζονται έτσι ώστε κάθε ένα από αυτά να περιλαμβάνει μικρό αριθμό γεγονότων. Συμβολίζουμε με D j το πλήθος των γεγονότων τα οποία λαμβάνουν χώρα κατά την διάρκεια του χρονικού διάστημα τος (τ j, τ j+1 ). Οι ασθενεί που βρίσκονται σε κίνδυνο (at risk) δηλαδή τα άτομα του πληθυσμού που είναι ζωντανά και συμμετέχουν στην μελέτη συμβολίζονται με το R j και υπολογίζονται κατά την διάρκεια του χρονικού διαστήματος j. Οι censored [21] ασθενείς παίζουν επίσης σημαντικό ρόλο στους παρακάτω υπολογισμούς, συμβολίζονται με C j και λαμβάνονται υπόψιν για το χρονικό διάστημα (τ j, τ j+1 ). Ο υπολογισμός της πιθανότητας επιβίωσης χωρίς censoring προκύπτει από την σχέση 13. S (t) = αριθμός ασθενών που έχουν επιβιώσει μετά το t συνολικο ς αριθμο ς των ασθενώ ν Παράδειγμα εφαρμογής Κ-Μ χωρίς να υπάρχει censoring Έστω 21 ασθενείς που δέχονται μια συγκεκριμένη [23] θεραπεία για την λευχαιμία με τον πίνακα 3 που περιέχει τα στατιστικά στοιχεία της μελέτης και την εικόνα 10 τα αποτελέσματα σε καμπύλη K-M. Περιγραφή του πίνακα: Η πρώτη στήλη περιέχει το μήκος των χρονικών διαστημάτων σε μήνες που έχουν διαμορφωθεί από τις χρονικές στιγμές των θανάτων των ασθενών ανάλογα με τον σχεδιασμό της μελέτης. Η δεύτερη στήλη περιέχει τους ζωντανούς ασθενείς κατά την έναρξη του χρονικού διαστήματος που αντιστοιχεί. Η Τρίτη στήλη περιέχει το σύνολο των ασθενών που πεθαίνουν κατά την διάρκεια της μελέτης στα συγκεκριμένα χρονικά διαστήματα Η τέταρτη στήλη περιέχει της πιθανότητες επιβίωσης που αντιστοιχούν σε συγκεκριμένα χρονικά διαστήματα. Πίνακας 3 Αποτελέσματα μελέτης σε ασθενείς με λευχαιμία που διήρκησε 23 μήνες και κανένας από τους ασθενείς δεν έφυγε από την μελέτη (δλδ. δεν υπήρχε censoring). Χρονικά Διαστήματα (σε μήνες) Ζωντανοί Ασθενείς στην Αρχή των Χρονικών Διαστημάτων Ασθενείς που Πεθαίνουν Κατά την Διάρκεια των Διαστημάτων (13) Ποσοστό επιβίωσης ανά χρονικό διάστημα t R D S (t) , , , , , , , , , , , ,047 20

21 1,2 Μελέτη Λευχαιμίας 1 Ποσοστά επιβίωσης (%) 0,8 0,6 0,4 0,2 Ποσοστό Επιβίωσης Ασθενών Χρόνος(μήνες) Εικόνα 10 Αποτελέσματα μελέτης λευχαιμίας σε καμπύλη επιβίωσης Kaplan Meier Παράδειγμα εφαρμογής Κ-Μ με censoring Ο υπολογισμός των πιθανοτήτων επιβίωσης που στην περίπτωση που έχουμε censoring χρησιμοποιούμε την σχέση 14. S (t) = j:τj <t (1 d j r j ) (14) Ο τύπος αυτός εφαρμόζεται για τα k 1 χρονικά διαστήματα εφόσον τα χρονικά σημεία που τα σχηματίζουν είναι k. Τα χρονικά διαστήματα έχουν οριστεί όπως αναφέρθηκε προηγουμένως από το χρονικό σημείο έναρξης μέχρι και την ολοκλήρωση της μελέτης. Τα δεδομένα που δίνονται [23] είναι +6, 6, 6, 6, 7, +9, +10, 10, +11, 13, 16, +17, +19, +20, 22, 23, +25, +32, +32, +34, +35 με το + να συμβολίζει τους μήνες που παρουσιάζονται censored ασθενείς και τα υπόλοιπα να είναι οι μήνες που παρουσιάζετε κάποιος θάνατος (γεγονός). Από τα δεδομένα αυτά προκύπτει ο πίνακας 4 και η εικόνα 11. Είναι προφανές ότι οι censored ασθενείς δεν συμμετέχουν στους υπολογισμούς αλλά αυτό που επηρεάζει το αποτέλεσμα είναι οι ασθενείς σε κίνδυνο στον χρόνο που έχει παρέλθει. 21

22 Μελέτη Λευχαιμίας Εικόνα 11 Η καμπύλη επιβίωσης που προκύπτει με βάση τα στοιχεία του πίνακα 2. Πίνακας 4 Αποτελέσματα από την μελέτη που πραγματοποιήθηκε σε άτομα που έπασχαν από λευχαιμία. Χρονικά διαστήματα Θάνατοι ανά χρονικό διάστημα Ασθενείς censored ανά χρονικό διάστημα C Ασθενείς σε κίνδυνο ανά χρονικό διάστημα R Ποσοστό επιβίωσης ανά χρονικό διάστημα S t D , , , , , , , , , , , , , , , ,